Fugu-MT 論文翻訳(概要): Enriching Large-Scale Eventuality Knowledge Graph with Entailment Relations

論文の概要: Enriching Large-Scale Eventuality Knowledge Graph with Entailment Relations

arxiv url: http://arxiv.org/abs/2006.11824v1
Date: Sun, 21 Jun 2020 15:22:03 GMT
ステータス: 処理完了
システム内更新日: 2022-11-18 12:04:38.170502
Title: Enriching Large-Scale Eventuality Knowledge Graph with Entailment Relations
Title（参考訳）: 詳細関係を考慮した大規模事象知識グラフの強化
Authors: Changlong Yu, Hongming Zhang, Yangqiu Song, Wilfred Ng, Lifeng Shang
Abstract要約: 本稿では,事象間の関係をモデル化するスケーラブルな手法を提案する。我々は,1000万の終末ノードと103万の終末エッジを持つ大規模終末包含グラフ(EEG)を構築した。
参考スコア（独自算出の注目度）: 59.61493123971928
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Computational and cognitive studies suggest that the abstraction of eventualities (activities, states, and events) is crucial for humans to understand daily eventualities. In this paper, we propose a scalable approach to model the entailment relations between eventualities ("eat an apple'' entails ''eat fruit''). As a result, we construct a large-scale eventuality entailment graph (EEG), which has 10 million eventuality nodes and 103 million entailment edges. Detailed experiments and analysis demonstrate the effectiveness of the proposed approach and quality of the resulting knowledge graph. Our datasets and code are available at https://github.com/HKUST-KnowComp/ASER-EEG.
Abstract（参考訳）: 計算と認知の研究は、人間が日常の出来事を理解するのに、結果(活動、状態、出来事)の抽象化が不可欠であることを示唆している。本稿では,「リンゴ」は「果物」を包含する)事象間の関係をモデル化するためのスケーラブルなアプローチを提案する。その結果,1000万個の事象ノードと1億3300万個のエッジを持つ大規模事象包含グラフ(EEG)を構築した。詳細な実験と分析は、提案手法の有効性と得られた知識グラフの品質を示す。データセットとコードはhttps://github.com/HKUST-KnowComp/ASER-EEG.comで公開されています。

関連論文リスト

Harnessing the Power of Large Language Model for Uncertainty Aware Graph Processing [24.685942503019948]
本稿では,大言語モデル(LLM)のパワーを生かした新しい手法を提案する。筆者らは,2つのグラフ処理タスク,すなわち知識グラフ補完とグラフ分類について実験を行った。 LLM が生成した回答の正確性を予測するため,10 つのデータセットのうち 7 つに対して 0.8 以上の AUC を達成した。
論文参考訳（メタデータ） (2024-03-31T07:38:39Z)
Constructing and Interpreting Causal Knowledge Graphs from News [3.3071569417370745]
多くの金融職は、過去と現在における因果関係について学ぶためにニュースに頼り、将来についての情報的な決定と予測を行う。本稿では,(1)因果関係の抽出,(2)論点クラスタリングと表現のKGへの変換という2つのステップを用いて,ニュースから因果知識グラフ(KG)を構築する手法を提案する。
論文参考訳（メタデータ） (2023-05-16T11:33:32Z)
GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文参考訳（メタデータ） (2023-04-06T03:02:54Z)
Infinite Recommendation Networks: A Data-Centric Approach [8.044430277912936]
Neural Tangent Kernelを活用して、無限大のニューラルネットワークをトレーニングし、無限大のボトルネック層を持つオートエンコーダであるinfty$-AEを考案します。また、小型で高忠実なデータ要約を合成するためのDistill-CFを開発した。我々は、最初のデータセットサイズの0.1%に満たない完全なデータセット上で、infty$-AEのパフォーマンスの96-105%を観察した。
論文参考訳（メタデータ） (2022-06-03T00:34:13Z)
Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
論文参考訳（メタデータ） (2022-05-28T15:37:03Z)
KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。 WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
論文参考訳（メタデータ） (2021-12-09T12:45:33Z)
How Does Knowledge Graph Embedding Extrapolate to Unseen Data: a Semantic Evidence View [13.575052133743505]
我々は,知識グラフ埋め込み(KGE)が未知のデータにどのように当てはまるかを研究する。また,セマンティック・エビデンス・アウェアメント・グラフニューラルネット(SE-GNN)と呼ばれる新しいGNNベースのKGEモデルを提案する。
論文参考訳（メタデータ） (2021-09-24T08:17:02Z)
ASER: Towards Large-scale Commonsense Knowledge Acquisition via Higher-order Selectional Preference over Eventualities [38.33830781329563]
我々は選択的選好に基づく常識知識収集の原則を策定する。 ASERには4億3800万の事象と6億4800万のエッジがある。
論文参考訳（メタデータ） (2021-04-05T20:23:46Z)
ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文参考訳（メタデータ） (2020-04-30T14:16:19Z)
Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文参考訳（メタデータ） (2020-03-28T05:47:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。